[发明专利]一种遥感影像中的云和阴影检测方法及系统

说明书

本发明涉及一种遥感影像中的云和阴影检测方法及系统，方法包括获取测试遥感影像数据集；将测试遥感影像数据集输入所述深度学习云检测模型中，得到云和阴影分布数据；其中，所述深度学习云检测模型是通过训练样本集对深度卷积神经网络进行训练得到的；所述训练样本集的获取方法为：获取同一地区的云和云影验证数据集和遥感影像样本集；根据所述云和云影标记数据集中阴影的标记范围进行膨胀，并将膨胀后的阴影范围与所述遥感影像样本集中对应的区域进行样本增强，得到所述训练样本集。本发明中对所述云和云影验证数据集中阴影的标记范围进行膨胀处理，得到膨胀后的阴影区域，增强了样本的信息表达准确性，从而能够提高检测的精度。

技术领域

本发明涉及图像检测技术领域，特别是涉及一种遥感影像中的云和阴影检测方法及系统。

背景技术

高质量的卫星遥感数据是开展地表覆盖变化监测、灾害评估、资源调查的重要数据源，但由于客观天气的原因，大部分遥感影像在获取时会不同程度地受到云及阴影的影响，限制了关键时期卫星影像的获取，导致相应信息提取的准确性和完整性收到影响。

云和阴影检测及修复是提高卫星影像利用率、提升信息提取精度的重要方法。但在构建云和阴影检测模型时，由于训练数据的数量和代表性有限，其中重复且大量存在的特征模式在迭代式的模型优化过程中会引起模型过度学习，而少量的但客观存在的特征通常难以被模型很好地捕捉，广义上的数据增强方式不能够有效地对深度学习云和阴影检测训练数据进行增强，最终导致检测模型的精度较低、泛化性较差。

发明内容

本发明的目的是提供一种遥感影像中的云和阴影检测方法及系统，能够提高检测的精度。

为实现上述目的，本发明提供了如下方案：

一种遥感影像中的云和阴影检测方法，包括：

获取测试遥感影像数据集；

将所述测试遥感影像数据集输入深度学习云检测模型中，得到云和阴影分布数据；所述深度学习云检测模型是通过训练样本集对深度卷积神经网络进行训练得到的；

所述训练样本集的获取方法为：

获取同一地区的云和云影遥感影像样本集和标记数据集；

根据所述标记数据集中阴影的标记范围进行膨胀，并采用膨胀后得到的阴影区域对所述遥感影像样本集进行样本增强，得到所述训练样本集。

优选地，所述采用膨胀后得到的阴影区域与所述遥感影像样本集进行样本增强，得到所述训练样本集，包括：

将所述遥感影像样本集中与所述阴影区域对应的区域确定为目标区域；

将所述阴影区域与所述目标区域合并，得到第一数据集；

对所述第一数据集进行扩充，得到第二数据集；

对所述第二数据集中的所有图像瓦片数据进行随机线性扰动，得到所述训练样本集。

优选地，所述将所述阴影区域与所述目标区域合并，得到第一数据集，包括：

将所述目标区域中无云干扰的区域进行删除，得到第一区域；

将所述阴影区域与所述第一区域进行合并，得到第一数据集。

优选地，所述对所述第一数据集进行扩充，包括：

将所述第一数据集中的图片数据裁切为像元尺寸相同的多个图像瓦片数据；

若所述图像瓦片数据中包含云或阴影，则将所述图像瓦片数据进行平移、旋转或复制。

优选地，对所述第二数据集中的所有图像瓦片数据进行随机线性扰动，包括：